Indicadores grupales: Medicina Complementaria (2019-2024)

Análisis de datos del Ministerio de Salud (MINSA)

library(tidyverse)
library(plotly)
library(DT)
library(lubridate)

# 1. CARGA DE DATOS
tryCatch({
  df_grup <- readRDS("data/df_grupales.rds")
}, error = function(e) {
  stop("Error: No se encuentra df_grupales.rds")
})

# 2. LIMPIEZA DE DATOS
df_grup_clean <- df_grup %>%
  mutate(
    # Convertimos labconf a numérico (Número de Participantes)
    Participantes = suppressWarnings(as.numeric(as.character(labconf))),
    Participantes = replace_na(Participantes, 0),
    
    # Fecha para series de tiempo
    fecha = make_date(ano, mes, 1)
  )

# --- FUNCIÓN AUXILIAR PARA TABLAS DE DESCARGA ---
# Esta función crea estandariza el botón de Excel para todos los gráficos
make_download_table <- function(data_input, filename_label = "datos") {
  datatable(
    data_input,
    extensions = 'Buttons',
    rownames = FALSE,
    options = list(
      dom = 'Bfrtip',
      buttons = list(
        list(extend = 'excel', filename = filename_label, title = filename_label),
        list(extend = 'csv', filename = filename_label)
      ),
      pageLength = 5, # Pocas filas para no ocupar mucho espacio
      scrollX = TRUE,
      language = list(url = '//cdn.datatables.net/plug-ins/1.10.11/i18n/Spanish.json')
    )
  )
}

1. Análisis Temático (¿Qué actividades se realizan?)

En este gráfico se muestran todos los códigos registrados. Dado que una misma sesión puede abordar múltiples temas, aquí se cuentan todas las actividades individuales.

Grafico

# Agrupamos por Código para ver cuáles son los temas más frecuentes
resumen_temas <- df_grup_clean %>%
  group_by(codigo) %>%
  summarise(
    # Frecuencia: Cuántas veces aparece este código en los registros
    Frecuencia_Tematica = n(),
    # Alcance: Suma de participantes expuestos a este tema
    Personas_Expuestas = sum(Participantes, na.rm = TRUE)
  ) %>%
  arrange(desc(Personas_Expuestas)) %>%
  head(15) # Top 15 para que el gráfico sea legible

# Gráfico de Barras
plot_ly(resumen_temas, 
        x = ~Personas_Expuestas, 
        y = ~reorder(codigo, Personas_Expuestas), 
        type = 'bar', 
        orientation = 'h',
        text = ~paste("<b>Código:</b>", codigo,
                      "<br><b>Veces impartido:</b>", Frecuencia_Tematica,
                      "<br><b>Personas expuestas:</b>", format(Personas_Expuestas, big.mark=",")),
        hoverinfo = "text",
        marker = list(color = '#8e44ad')) %>%
  layout(
    title = "Top 15 Temáticas Grupales (Por Asistentes)",
    xaxis = list(title = "Suma de Participantes"),
    yaxis = list(title = "Código de Actividad"),
    margin = list(l = 100)
  )

Tabla

make_download_table(resumen_temas, "resumen_temas")

2. Análisis Operativo (Esfuerzo del Personal)

Aquí analizamos las Sesiones Reales. Si en una reunión (id_cita) se trataron 3 temas, aquí cuenta como 1 sola sesión realizada, para no duplicar el esfuerzo logístico en la visualización temporal.

Evolución de Sesiones (Cantidad de Reuniones)

Muestra cuántas veces el equipo de salud organizó una actividad grupal por mes.

# Lógica: Agrupar por Mes y contar ID_CITA únicos
tendencia_sesiones <- df_grup_clean %>%
  group_by(fecha) %>%
  summarise(
    Sesiones_Reales = n_distinct(id_cita) # Conteo de eventos únicos
  )

plot_ly(tendencia_sesiones, x = ~fecha, y = ~Sesiones_Reales, 
        type = 'scatter', mode = 'lines+markers',
        line = list(color = '#d35400', width = 3),
        name = "Sesiones") %>%
  layout(
    title = "Evolución Mensual: Nro. de Sesiones Realizadas",
    xaxis = list(title = "", tickformat = "%b %Y"),
    yaxis = list(title = "Cantidad de Sesiones"),
    hovermode = "x unified"
  )

Tabla

make_download_table(tendencia_sesiones, "tendencia_sesiones")

Evolución de Participantes (Alcance Comunitario)

Muestra cuántas personas asistieron en total por mes. Nota: Se toma el máximo de participantes por sesión para evitar duplicados si la misma gente escuchó 3 temas en la misma cita.

# Lógica compleja para no duplicar gente en la misma sesión:
# 1. Por cada cita única, tomamos el MÁXIMO de participantes registrado en sus filas
# (Asumimos que es el mismo grupo de personas escuchando varios temas)
tendencia_participantes <- df_grup_clean %>%
  group_by(fecha, id_cita) %>%
  summarise(Asistentes_Sesion = max(Participantes, na.rm=TRUE), .groups = 'drop_last') %>%
  # 2. Sumamos por mes
  summarise(Total_Participantes = sum(Asistentes_Sesion))

plot_ly(tendencia_participantes, x = ~fecha, y = ~Total_Participantes, 
        type = 'bar', # Barras para volumen de gente
        marker = list(color = '#f39c12'),
        name = "Participantes") %>%
  layout(
    title = "Evolución Mensual: Personas Atendidas en Grupal",
    xaxis = list(title = "", tickformat = "%b %Y"),
    yaxis = list(title = "Total Asistentes"),
    hovermode = "x unified"
  )

Tabla

make_download_table(tendencia_participantes, "tendencia_participantes")

3. Resumen de Datos (Tabla)

# Generamos una tabla que consolida la información
tabla_resumen <- df_grup_clean %>%
  group_by(codigo) %>%
  summarise(
    Temas_Impartidos = n(), # Cuántas veces aparece el código
    Sesiones_Unicas_Presente = n_distinct(id_cita), # En cuántas sesiones distintas apareció
    Total_Asistentes = sum(Participantes, na.rm=TRUE)
  ) %>%
  arrange(desc(Total_Asistentes))

datatable(tabla_resumen,
          extensions = 'Buttons',
          options = list(dom = 'Bfrtip', buttons = c('copy', 'excel')),
          rownames = FALSE,
          colnames = c("Código Actividad", "Frecuencia (Temas)", "Sesiones Únicas", "Total Asistentes")
)